A Discriminatively Trained, Multiscale, Deformable Part Model

题目叫 A Discriminatively Trained, Multiscale, Deformable Part Model ，什么意思

 中文对应翻译：一个 区别训练，多尺度，变性部件模型 。

这是一篇最好的目标检测算法论文之一

他由3部分组成 HOG特征 (HOG feature),变性部位模型 (Deformable Part Model ), 隐形支持向量机 Latent SVM.

这篇；论文做了什么？

利用上面3个部分，进行对象检测。包括人的检测，汽车，动物，飞机等。

主要思想是如下图：

如上图：对人脸检测：分成7个部分，头发，左轮廓，右轮廓，左眼，右眼，鼻子，嘴巴，每个部分分别检查和训练，但它们像弹簧一样连接在一起。

文章分为三部分： HOG特征 (HOG feature),变性部位模型 (Deformable Part Model ), 隐形支持向量机 Latent SVM.

 HOG特征 (HOG feature)，是局部特征的提取，是嘴巴，还是鼻子，或者是眼睛,等等。

变形部位模型：把所有部位，局部特征（嘴巴，鼻子，等等)，像弹簧连接在一起的整个装置。

隐形支持向量机 Latent SVM：是用来训练样本的，我们要知道，把嘴巴，鼻子，眼睛，等部分，放在一个弹簧装置里面。但我们要给每个部位分配参数，训练就是调整这些参数。参数的意义，代表每个部分的重要性。嘴巴检测最重要，就给他参数分配更高的参数。还有就是：我们要判断一幅图片对象的存在，我们要给检测的对象，打分，分越高，就越有可能是样本。所一这里的SVM是打分函数参数的调节器。最后用打分函数打分。

变形部件什么意思？看下面图：

每个人不是标准的站姿。（比如，腿，脑袋，手,肩膀).Deformable(变形）部位，意思是系统检测的时候，人的姿态不标准，每个部位位置不统一，姿态不一，Deformable Part Model 叫变形部位模型。所以增加了检测难度。这也是挑战的难度。

上图：显示的是人的检测模型可以通过各个部分训练，再通过各个部分检测。把人头检测分为六部分，头，左肩膀，右肩膀，左腿，右腿，双脚。

对象由各部分建模组成一个变形装置.

HOG features

HOG 特征 由cell,block组成。cell是在一个像素周围的8*8正方形里面梯度直方图，

0-180方向 9bin，block是2*2的cell,再归化block长度，

再在detection window 中，在长和宽方向取w*h个block.组成HOG特征，用来描述局部轮廓特征。

detection score = sum of filter responses - deformation cost

上图：显示得是HOG特征金字塔，root filters检测是整个对象轮廓。part filters，检测每个部分的轮廓。deformable model 检测的是各部位相对于整体对象位置的分数。

而且，部分过滤器(part filters)是整体过滤器(root filters)分辨率的两倍，因为部分特征轮廓，分得更精细，因为部位大小小，所以分辨率高。也知道为什么要用金字塔了。

φ(H,pi ) 

由于对象检测是采用的  a scanning window 窗口扫描。在图片上从高度方向，和长度方向扫描，固定扫描窗口的大小。pi=(x,y,l)是图片扫描窗口的位置在l层上。

H=HOG 金字塔

φ(H,pi ) 是用HOG特征在pi上提取HOG特征值，pi与H映射。F是HOG每个block局部特征的参数。来说明每个block特征重要性，block特征越重要，相应的参数值越高。

A model consists of a root filter F 0 and part
model (P 1 ,…,P 6 ), P i = (F i , v i , s i , a i , b i )
– F i : filter
– (v i ,s i ) : location and size of part positions box
– (a i ,b i ) : deformation cost parameters

上说明的模型的组成：F0总体对象特征参数，Fi是i部位的特征参数，Pi是i部件，Vi是部件位置，Si部件的大小，

ai，bi是变形部件成本参数.

detection score = sum of filter responses - deformation cost。

公式(1)前半部分是sum of filter responses,代表总体轮廓特征和每个部位轮廓特征匹配分数。后半部分是各部位相对于总体对象位置的分数，重叠度越高，变形成本越低。

公式1转换成映射的形式。 β · ψ(H,z)。SVM训练的目的是调整参数 β .

下面的工作，是怎么训练β.最后用分数来判断样本X中对象的位置。

Latent svm

β ∗ (D)在D已知样本集中求最小值。λ||β|| 2是什么意思？λ||β|| 2最小代表SVM支持向量机之间的距离最大。

后半部分代表成本，要使成本最小，尽可能的使正样本在支持向量机两侧，即下图三条线傍边两条线上外。如果负样本跑到最上面线下面，就要计算，加到成本中去。

β ∗ (D)不是关于β的凸函数，如果是凸函数，在区间能最小值唯一，直接梯度下降，坐标下降法，求解。

而β ∗ (D)，在区间内有非常多的极值点，所以是非凸函数。

并且后半部分，只有 D中硬实例有用，（the hard instances of D），非硬实例，1−y i f β (x i )<0,直接被0替代。

什么叫硬实例，就是y i f β (x i )<=1的点，有哪些点呢。下图，假如xi为负样本，即红点，哪些从左往右第一根直线下面的红点，就为硬实例，假如为正样本，即绿点，哪些第3根线上面的点为硬实例，即那些错误分类的点。